第4章_随机变量数字特征.ppt

一、协方差的概念及性质 例题 设 X ~ P (?), 求方差 DX 例4.2.1 解: 3.常用分布的方差 例2. 二项分布B(n, p)： 引入随机变量 相互独立， 故 解法2: 设 X ~ U( a , b)，求方差 DX 例4.2.3 解: 设 X ~ N ( ? , ? 2), 求方差 DX 例4.3.4 解: 例.设随机变量X服从指数分布， 其概率密度为 求D(X). 解： 例4.2.5 解: 常见随机变量的方差 分布 方差 概率分布 参数为p 的 0-1分布 p(1-p) B(n,p) np(1-p) P(?) ? 分布 方差 概率密度 区间(a,b)上的 均匀分布 E(?) N(?,? 2) 已知X ,Y 相互独立，且都服从 N (0,0.5), 故 例4.2.7 解: 求 E( | X – Y | ) 课堂练习 4.3 协方差及相关系数 4.3.1 协方差及相关系数的定义 4.3.1 协方差及相关系数的性质 问题 对于二维随机变量(X ,Y ): 已知联合分布 边缘分布 这说明对于二维随机变量，除了每个 随机变量各自的概率特性以外，相互之间 可能还有某种联系. 问题是用一个什么样 的数去反映这种联系. 特征中，最重要的就是本讲要讨论的 协方差和相关系数 前面我们介绍了随机变量的数学期望和方差， 数学期望反映了随机变量在概率意义下的平均值， 方差则反映了随机变量相对于其均值的离散程度， 这对我们了解随机变量有一定的帮助， 随机变量 ， 但对于二维 我们除了关心 的期望和方差外， 还希望知道他们的关系， 在反映分量之间关系的数字 1. 问题的提出 协方差 分析 E{[X-E(X)] [Y-E(Y)]}的取值情况 若 X，Y相互独立，则 E{[X-E(X)] [Y-E(Y)]} =0 若 X，Y不相互独立，则E{[X-E(X)] [Y-E(Y)]} 不一定等于零 . 于是 E{[X-E(X)][Y-E(Y)]}在一定程度上反映了X与Y的关系，称之为X与Y的协方差 1、定义：若 E{[X－E( X )][Y－E(Y )]} 存在，称 E{[X－E( X )][Y－E( Y )]} 为随机变量 X, Y 的协方差. 即 , Cov ( X,Y )=E{[X－E( X )][Y－E( Y )]} 记做 Cov ( X,Y ) 特别地， = Cov(X,X )； = Cov(Y,Y )； 说明 协方差的计算 Cov(X,Y)=E(XY) -E(X)E(Y) 可见，若X与Y独立， Cov(X,Y)= 0 . 计算协方差的一个简单公式 由协方差的定义及期望的性质，可得 Cov(X,Y)=E{[ X-E(X)][Y-E(Y) ]} =E(XY)-E(X)E(Y)-E(Y)E(X)+E(X)E(Y) =E(XY)-E(X)E(Y) 即 若X1,X2, …,Xn两两独立,，上式化为 D(X+Y)= D(X)+D(Y)+ 2Cov(X,Y) （4） 随机变量和的方差与协方差的关系 常用上式计算相依随机变量和的方差. 1. E(c)=c,c为常数; 2。E(aX+b)=aE(X)+b, a,b为常数; 四.数学期望的性质 证明:设X~f(x),则 证明:设(X,Y)~f(x,y) 4. 若X与Y独立，则E(XY)=E(X)E(Y). 证明:1)设(X,Y)~f(x,y) 其中性质2,3,4可推广到有限个随机变量的情形。 证明：2) 例 二项分布期望另解: 因为X为n次独立实验中事件A发生的次 数,且在每次实验中A发生的概率为p. 引入随机变量X1, X2, …, Xn，其中 在第i次实验时事件A发生 在第i次实验时事件A不发生 则X1, X2, …, Xn独立，且Xi服从两点分布.而X=X1+X2+…+Xn服从二项分布，从而 E(X)=E(X1+X2+…+Xn) =E(X1)+E(X2)+…+E(Xn) =p+p+ … + p =np 引